提示工程：编写能获得更好AI结果的提示词

为什么你的AI提示词不起作用

你可能尝试过向AI寻求帮助——写邮件、调试代码、总结文章——但得到的回复却不尽如人意。它可能太模糊、太长，或者完全跑题。问题通常不在于AI，而在于提示词。

提示工程是设计输入以从大型语言模型（LLM）获得更好输出的实践。它不关乎魔法咒语，而关乎清晰的沟通。本指南为你提供实用技巧，帮助你编写能持续产生有用结果的提示词。

1. 具体且清晰

LLM不会读心术。如果你问“写关于狗的内容”，你会得到一篇泛泛的文章。相反，要明确主题、格式、长度和受众。

差： 写关于狗的内容。
好： 为宠物主人写一篇300字的文章，介绍最适合公寓饲养的3种狗。包括运动需求和性格。

你提供的约束条件越多，输出就越聚焦。把它想象成给自由职业者下指令：你越清晰，结果就越好。

2. 提供上下文和示例

LLM会从你提供的上下文中学习。如果你想要特定的风格或格式，就展示一个示例。

示例： 用一句话总结以下客户评论，聚焦主要投诉。示例：“产品到货晚且有损坏。”评论：“我在5号下单，10号发货，最终到货时盒子被压坏，物品有划痕。”

这种称为“少样本提示”的技巧，能帮助模型理解你想要的模式。

3. 使用角色扮演

给AI分配一个角色可以提升回复的质量和语气。例如，“扮演一名资深软件工程师”或“你是一名友好的客服人员”。这会让模型采用特定的视角和专业水平。

示例： 扮演一名网络安全专家。用不到200字向非技术经理解释SQL注入的风险。

4. 将复杂任务拆解为步骤

如果你的请求很复杂，就把它拆分成更小、按顺序的提示词。这能降低模型应接不暇或遗漏细节的可能性。

而不是： 为一款新应用制定营销计划。
试试： 步骤1：确定一款面向远程工作者的效率应用的目标受众。步骤2：列出三个能吸引他们的关键功能。步骤3：建议两个触达他们的营销渠道。

你也可以让模型“逐步思考”以鼓励推理。

5. 指定输出格式

如果你需要特定格式的输出——JSON、Markdown、表格——就明确说出来。这在将AI集成到自动化工作流中时尤其有用。

示例： 从下面的评论中提取产品名称、价格和评分。将结果作为JSON对象返回，键为：name、price、rating。

对于开发者，像JSON Formatter这样的工具可以帮助验证和格式化AI的输出。

6. 迭代和优化

第一个提示词很少能完美。把它当作一场对话：审视输出，找出缺失的部分，并相应地调整提示词。

示例： 如果AI的摘要太长，就追问：让它更短——50字以内。如果太技术化，就说：像对初学者一样解释。

7. 避免歧义和否定

LLM有时难以处理否定。不要说“不要使用术语”，而要说“使用简单的语言”。不要说“不要太模糊”，而要说“要具体并包含示例”。

8. 尝试温度和参数

如果你使用API，可以调整temperature（创造力）和max_tokens（长度）等参数。较低的温度（例如0.2）会产生更确定、更聚焦的输出；较高的温度（例如0.8）则鼓励创造力。对于事实性任务，使用低温度。

对比：弱提示词 vs. 强提示词

常见问题

什么是提示工程？

提示工程是设计和优化输入（提示词）以引导大型语言模型生成所需输出的过程。它涉及清晰度、上下文和迭代。

我需要是程序员才能写出好的提示词吗？

不需要。虽然像API参数调优这样的技巧需要编程，但大多数提示工程关乎清晰的沟通，任何使用聊天界面的人都可以做到。

如何快速改进我的提示词？

从具体开始：说明格式、长度和受众。如果可能，提供示例。然后迭代——如果输出不对，告诉AI要改什么。

准备好把这些技巧付诸实践了吗？如果你在处理AI生成的JSON，使用我们的JSON Formatter来验证并美化输出，以供你的应用使用。